利用领域特定知识改进在线手写汉字识别的深度卷积神经网络
计算机视觉与模式识别
2015-05-29 v1
摘要
深度卷积神经网络（DCNNs）在各种计算机视觉与模式识别应用中取得了巨大成功，包括手写汉字识别（HCCR）中的应用。然而，当前大多数基于 DCNN 的 HCCR 方法将手写样本简单地视为图像位图，忽略了某些重要且有用但传统网络无法学习的领域特定信息。本文中，我们通过引入多种领域特定知识（包括形变、非线性归一化、虚笔、路径签名以及八方向特征）来改进用于在线 HCCR 的 DCNN。我们的贡献有两方面。首先，对这些领域特定技术进行了研究并将其与 DCNN 集成以形成复合网络，从而实现性能提升。其次，将因领域知识而异的所得 DCNN 使用混合串并行（HSP）策略进行组合。因此，我们在 CASIA-OLHWDB1.0 和 CASIA-OLHWDB1.1 上分别取得了 97.20% 和 96.87% 的准确率，优于文献中先前报道的最佳结果。
引用
@article{arxiv.1505.07675,
title = {Improved Deep Convolutional Neural Network For Online Handwritten Chinese Character Recognition using Domain-Specific Knowledge},
author = {Weixin Yang and Lianwen Jin and Zecheng Xie and Ziyong Feng},
journal= {arXiv preprint arXiv:1505.07675},
year = {2015}
}
备注
5 pages, 4 figures, 3 tables. Accepted to appear at ICDAR 2015